(Encadrant : Cyril Voyant)
L’intégration croissante de la production photovoltaïque dans les réseaux électriques nécessite des prévisions solaires fiables, rapides et économiquement soutenables. Ce mini-projet porte sur la prévision, à un horizon d’une heure, du rayonnement solaire global horizontal (GHI) à Ajaccio.
À partir de mesures historiques et d’un modèle physique de ciel clair, les étudiants isoleront la composante déterministe du rayonnement solaire et la variabilité principalement associée à la couverture nuageuse. Plusieurs méthodes seront comparées : persistance, smart persistence, modèle autorégressif (AR) et Extreme Learning Machine (ELM).
Les modèles AR et ELM seront étudiés sous une forme statique, puis adaptative. L’apprentissage en ligne reposera sur une actualisation récursive des coefficients du modèle AR et sur une approche Online Sequential ELM (OS-ELM), dans laquelle la couche cachée reste fixe tandis que les poids de sortie sont actualisés à mesure que de nouvelles observations deviennent disponibles.
Les prévisions produites localement seront également comparées à des prévisions issues d’un modèle météorologique numérique (Numerical Weather Prediction ; i.e. NWP) ainsi qu’aux prévisions proposées par des prestataires spécialisés. Les données NWP et les devis commerciaux correspondants seront fournis.
L’objectif final sera de déterminer si l’augmentation de la complexité et l’adaptation en ligne apportent un gain prédictif suffisant pour justifier leur coût. Le projet conduira ainsi à arbitrer entre précision, frugalité, coût, autonomie technique et contraintes de maintenance.
Exploiter un modèle de ciel clair et construire une variable désaisonnalisée adaptée à la prévision du GHI.
Mettre en œuvre les modèles de persistance, smart persistence, AR et ELM.
Développer une version séquentielle de l’AR et de l’ELM selon un protocole « prévoir, observer, puis actualiser ».
Définir une séparation strictement chronologique entre les périodes d’apprentissage et de test, sans utilisation anticipée des données futures.
Sélectionner les principaux hyperparamètres des modèles sur la période d’apprentissage uniquement.
Comparer les prévisions locales, NWP et commerciales sur des périodes, horizons et instants d’émission strictement identiques.
Évaluer les performances à l’aide de la nMAE, de la nRMSE et d’un score de compétence calculé par rapport à la smart persistence.
Étudier la variabilité des résultats de l’ELM sur plusieurs initialisations aléatoires.
Quantifier la frugalité des méthodes : nombre de paramètres, empreinte mémoire, temps d’apprentissage ou d’actualisation et temps de prévision.
Évaluer les coûts directs et indirects : abonnement, accès aux données, calcul, stockage, développement, maintenance et surveillance des modèles.
Analyser la disponibilité des prévisions, les données manquantes, la dépendance à un fournisseur et les contraintes de déploiement opérationnel.
Produire un rapport professionnel, synthétique et illustré, accompagné d’un code documenté et reproductible.
Formuler une recommandation argumentée entre trois stratégies : développement interne, utilisation de prévisions NWP ou recours à un prestataire spécialisé.
Ineichen, P. (2008). “A broadband simplified version of the Solis clear
sky model.” Solar Energy, 82(8), 758–762.
https://doi.org/10.1016/j.solener.2008.02.009
Huang, G.-B., Zhu, Q.-Y., & Siew, C.-K. (2006). “Extreme learning
machine: Theory and applications.” Neurocomputing, 70(1–3), 489–501.
https://doi.org/10.1016/j.neucom.2005.12.126
Liang, N.-Y., Huang, G.-B., Saratchandran, P., & Sundararajan, N.
(2006). “A fast and accurate online sequential learning algorithm for
feedforward networks.” IEEE Transactions on Neural Networks, 17(6),
1411–1423.
https://doi.org/10.1109/TNN.2006.880583
Voyant, C., Notton, G., Duchaud, J.-L., García-Gutiérrez, L. A., Bright,
J. M., & Yang, D. (2022). “Benchmarks for solar radiation time series
forecasting.” Renewable Energy, 191, 747–762.
https://doi.org/10.1016/j.renene.2022.04.065
Hyndman, R. J., & Athanasopoulos, G. (2021). Forecasting: Principles and
Practice, 3rd edition. OTexts.
https://otexts.com/fpp3/
Cyril Voyant cyril.voyant@minesparis.psl.eu